一种麦类作物病害图像识别方法技术

本发明专利技术公开了作物病害识别技术领域的一种麦类作物病害图像识别方法，具体包括以下步骤：S1：基于多路卷积神经网络的麦类病害图像分割和识别：利用U

【技术实现步骤摘要】
一种麦类作物病害图像识别方法


[0001]本专利技术涉及作物病害识别的
，尤其是涉及一种麦类作物病害图像识别方法。

技术介绍

[0002]农产品品质的好坏受到许多因素的影响，其中，疾病对其的影响是不可忽视的。在这种情况下，农民需要迅速抑制或者制止这些疾病的传播。如果农民不能及时识别植物病害，会影响农产品的生产数量以及植株的质量。同时，植物受到疾病危害后，会对消费，分配和出口等有关于农产品质量和数量的问题产生较为严重的影响。但是，由于许多国家对较为先进的检测植物病害的设备以及智能化识别系统的推广程度远远不够，农民们只能依靠自己以往的经验，通过观察从而对植物是否患上疾病进行诊断，这就导致对植物疾病的识别准确度和及时程度不够，同时，农民的经验也可能不够准确。而专家对植物叶片疾病的诊断，需要在实验室花费较多的财力和精力进行分析，从而导致采样后分析和检测疾病不实时，这段时间就可能导致植物病害广泛传播。由于不同病害之间的受害症状呈现模糊性、复杂性和相似性，加之部分农民的科技、文化素质普遍偏低，不能精确诊断并掌握植物病害的发生与发展，往往在植物病害严重时才大剂量地喷洒农药，容易错过病害最佳防治时期，不但造成农作物大量减产，还严重污染环境。因此，如何快速、简便、准确地检测植物病害发生区域并对其病害种类进行识别，为病害防治提供必要信息，已成为植物种植面临的重要问题。所以，研究一种能够实时监测植物生长状况的识别方法是有必要的。
[0003]深度学习的农业应用包括植物病害识别，地球覆盖分类，产品类型分类，植物识别，植物物候识别，根系
‑
土壤分离，产量估算，果实计数，障碍识别，杂草识别，产品识别和分类，土壤水分预测，动物研究，和天气预报等。深度学习技术已经在植物病害检测与识别领域获得了较快的发展，这将在很大程度上降低人工的成本，同时也能有效地提高识别的精度。深度学习网络具有平移不变性，不会对特征信息位置的改变敏感，图像在整个处理过程中形态不会发生变化，局部特征稳定。然而，在植物病害的图像识别领域应用比其他图像识别领域更为复杂，因为植物本身类间相似度高，其形状等特征难以区分，还有植物叶片病害病变位置随机，以及植物病害图像的拍摄易受光照、背景、角度等客观因素影响，甚至同一种病的表现形式不一致且随区域和气候等外界因素变化较大。因此，将深度学习应用于农业领域，会使人们更方便于监测植物的生长状况以及预防植物病害，这将使农业领域得到更快的发展和进步。
[0004]近年来，随着深度学习技术和识别技术的高速发展，图像识别技术广泛应用在植物表型和病害监测中。因此，如何利用图像识别技术准确监测麦类作物病害的发病情况，这对麦类作物病害的识别与生长状态的检测、提高农药效率、确保粮食安全具有十分重要的意义。因此，研究更加准确、快速和智能化的麦类作物病害识别方法尤为重要。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本专利技术的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]因此，本专利技术目的是提供一种麦类作物病害图像识别方法，能够更加准确、快速和智能化的准确监测麦类作物病害的发病情况，对麦类作物病害的识别与生长状态的检测、提高农药效率、确保粮食安全。
[0007]为解决上述技术问题，本专利技术提供一种麦类作物病害图像识别方法，采用如下的技术方案：具体包括以下步骤：
[0008]S1：基于多路卷积神经网络的麦类病害图像分割和识别：利用U
‑
Net语义分割网络对麦类作物数据进行分割处理操作得到单株麦穗图像，多路卷积神经网络中，通过对分割之后的单株麦穗图像分R、G、B三个通道分别提取麦穗特征；
[0009]S2：基于多尺度特征提取卷积神经网络的麦类作物病害识别和检测：首先通过利用不同感受野的空洞卷积构建一个多尺度特征提取模块，从不同尺度的感受野中提取麦穗图像的全局特征；接着从全局特征中定位学习信息量丰富的病害局部关键区域，最后通过关键区域特征和全局特征进行特征融合，来实现对不同生长时期的麦类作物的病害进行识别。
[0010]可选的，所述U
‑
Net语义分割网络由两个部分组成，分别为压缩通道和扩展通道，压缩通道的作用是用来捕获图像中上下文的信息，并重复采用了2个卷积层和1个池化层的结构，每进行1次池化操作后特征图的维度就会变成原先的2倍；与之相对应的扩展通道的作用主要是对图像中分割出来的区域进行精准的像素边界定位，通过对通道中的特征图进行反卷积操作来使得原有特征图的维度减小为原先的一半，然后利用向量拼接方式将裁剪后的特征图拼接起来，最后在经过卷积操作提取深度特征并重复这样的过程；在最后一层中，U
‑
Net网络通过卷积层将原始的高维特征向量转换成低维特征向量输出。
[0011]可选的，使用特征融合的策略将三个通道各自提取的深度语义特征进行融合形成一个高强度特征并送入到全连接层中，并在网络的最后使用联合损失函数对模型进行进一步的优化训练学习，从而完成在每个通道中小麦不同病害的特征输出。
[0012]可选的，所述多路卷积神经网络的整体结构中包含输入层，R、G、B三个颜色的单通道，三个单通道，一个特征向量融合层，一个全连接层以及最终的结果输出层。
[0013]可选的，空洞卷积一方面通过扩大感受野来增加每个卷积层的信息率，另一方面通过设定卷积层中不同扩张率来捕获更多的上下文信息，感受野的计算公式如下所示：
[0014]K＝k+(k
‑
1)(dilation_rate
‑
1)
[0015]其中，k表示卷积网络结构中原始卷积核的大小，dilation_rate表示空洞卷积中的扩张率参数值。
[0016]可选的，所述多尺度特征提取卷积神经网络由三部分组成，分别为特征提取器模块、导航网络模块以及审查网络模块，特征提取器模块用来提取小麦麦穗的深度特征，根据全局特征定位学习到信息量丰富的局部关键区域，同时将局部关键区域特征与全局特征通过审查网络模块进行融合后用于小麦麦穗病害分类的识别。
[0017]可选的，所述特征提取器模块为利用空洞卷积构建的一个基于注意力机制的多尺
度特征提取器。
[0018]综上所述，本专利技术包括以下至少一种有益效果：
[0019](1)将根据不同麦类不同病害的颜色分布特点提出一个简单的多路卷积神经网络模型，首先利用U
‑
Net分割网络对小麦数据进行分割处理操作得到单株麦穗图像，通过对分割之后的单株小麦图像分R、G、B三个通道分别提取麦穗特征，通过使用特征融合的策略将三个通道的特征进行融合使每个通道特征都发挥作用。同时使用联合损失函数进行训练学习，起到优化数据样本之间距离的作用，从而实现麦类病害的图像分割和识别，提高识别的精度和准确率。
[0020](2)针对不同麦类不同生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种麦类作物病害图像识别方法，其特征在于：具体包括以下步骤：S1：基于多路卷积神经网络的麦类病害图像分割和识别：利用U
‑
Net语义分割网络对麦类作物数据进行分割处理操作得到单株麦穗图像，多路卷积神经网络中，通过对分割之后的单株麦穗图像分R、G、B三个通道分别提取麦穗特征；S2：基于多尺度特征提取卷积神经网络的麦类作物病害识别和检测：首先通过利用不同感受野的空洞卷积构建一个多尺度特征提取模块，从不同尺度的感受野中提取麦穗图像的全局特征；接着从全局特征中定位学习信息量丰富的病害局部关键区域，最后通过关键区域特征和全局特征进行特征融合，来实现对不同生长时期的麦类作物的病害进行识别。2.根据权利要求1所述的一种麦类作物病害图像识别方法，其特征在于：所述U
‑
Net语义分割网络由两个部分组成，分别为压缩通道和扩展通道，压缩通道的作用是用来捕获图像中上下文的信息，并重复采用了2个卷积层和1个池化层的结构，每进行1次池化操作后特征图的维度就会变成原先的2倍；与之相对应的扩展通道的作用主要是对图像中分割出来的区域进行精准的像素边界定位，通过对通道中的特征图进行反卷积操作来使得原有特征图的维度减小为原先的一半，然后利用向量拼接方式将裁剪后的特征图拼接起来，最后在经过卷积操作提取深度特征并重复这样的过程；在最后一层中，U
‑
Net网络通过卷积层将原始的高维特征向量转换成低维特征向量输出。3.根据权利要求1所述的一种麦类作物病害图像识别方法，...

【专利技术属性】
技术研发人员：廖子涵，陈宝远，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：